Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Erfahren Sie mehr über Python-Codebeispiele, die die Funktionalität und den Workflow einer Azure AI Search-Lösung veranschaulichen. Diese Beispiele verwenden die Azure AI Search-Clientbibliothek für das Azure SDK für Python, die Sie über die folgenden Links erkunden können.
| Target | Link |
|---|---|
| Paketdownload | pypi.org/project/azure-search-documents/ |
| API-Referenz | azure-search-documents |
| API-Testfälle | github.com/Azure/azure-sdk-for-python/tree/main/sdk/search/azure-search-documents/tests |
| Quellcode | github.com/Azure/azure-sdk-for-python/tree/main/sdk/search/azure-search-documents |
| Änderungsprotokoll | github.com/Azure/azure-sdk-for-python/blob/main/sdk/search/azure-search-documents/CHANGELOG.md |
SDK-Beispiele
Die Codebeispiele vom Azure SDK-Entwicklungsteam veranschaulichen die API-Verwendung. Sie finden diese Beispiele in Azure/azure-sdk-for-python/tree/main/sdk/search/azure-search-documents/samples auf GitHub.
Dokumentbeispiele
Die Codebeispiele vom Azure AI Search-Team veranschaulichen die Funktionen und Workflows. Auf die folgenden Beispiele werden in Lernprogrammen, Schnellstarts und Anleitungen verwiesen. Sie finden diese Beispiele in Azure-Samples/azure-search-python-samples auf GitHub.
| Beispiel | Artikel | Description |
|---|---|---|
| Quickstart | Schnellstart: Volltextsuche | Erstellen, Laden und Abfragen eines Suchindexes mithilfe von Beispieldaten. |
| Quickstart-Agentic-Retrieval | Schnellstart: Agentischer Abruf | Integrieren Sie die semantische Rangfolge in die LLM-basierte Abfrageplanung und Antwortgenerierung. |
| Quickstart-Semantic-Search | Schnellstart: Semantische Rangfolge | Fügen Sie einem Indexschema semantische Rangfolge hinzu, und führen Sie semantische Abfragen aus. |
| Schnellstart-Vektorsuche | Schnellstart: Vektorsuche | Inhalte von Index- und Abfragevektoren. |
| agentic-retrieval-pipeline-example | Tutorial: Erstellen einer End-to-End-Agent-Abruf-Lösung | Im Gegensatz zu Quickstart-Agentic-Retrieval enthält dieses Beispiel Foundry Agent Service für die Anforderungsorchestrierung. |
Accelerators
Ein Beschleuniger ist eine End-to-End-Lösung, die Code und Dokumentation enthält, die Sie für Ihre eigene Implementierung eines bestimmten Szenarios anpassen können.
| Beispiel | Description |
|---|---|
| Rag-Experiment-Accelerator | Führen Sie Experimente und Auswertungen mit Azure AI Search und dem RAG-Muster durch. Dieses Beispiel enthält Code zum Laden mehrerer Datenquellen, unter Verwendung verschiedener Modelle und zum Erstellen verschiedener Suchindizes und Abfragen. |
Demos
Ein Demo-Repository bietet Quellcode für Machbarkeitsnachweise für Beispiele oder Szenarien, die in Demonstrationen gezeigt werden. Im Gegensatz zu Beschleunigern sind Demolösungen nicht für die Anpassung konzipiert.
| Beispiel | Description |
|---|---|
| azure-search-vector-samples | Umfassende Sammlung von Beispielen für Vektorsuchszenarien, organisiert nach Szenario oder Technologie. |
| azure-search-openai-demo | ChatGPT-ähnliche Erfahrung über Unternehmensdaten mit Azure OpenAI Python-Code, der zeigt, wie Azure AI Search mit großen Sprachmodellen in Azure OpenAI verwendet wird. Hintergrundinformationen finden Sie in diesem Blogbeitrag. |
| aisearch-openai-rag-audio | "Voice to RAG." Dieses Beispiel veranschaulicht eine einfache Architektur für generative KI-Anwendungen auf Sprachbasis, die Azure AI Search RAG mithilfe der Echtzeit-Audio-API mit Vollduplex-Audiostreaming von Clientgeräten ermöglicht. Außerdem wird der Zugriff auf das Modell und das Abrufsystem sicher verwaltet. Back-End-Code wird in Python geschrieben, während Frontend-Code in JavaScript geschrieben wird. Sehen Sie sich dieses Video an, um eine Einführung zu erfahren. |
Weitere Beispiele
Die folgenden Beispiele werden auch vom Azure AI Search-Team veröffentlicht, werden jedoch nicht in der Dokumentation referenziert. Zugehörige README-Dateien enthalten Verwendungsanweisungen.
| Beispiel | Description |
|---|---|
| azure-search-classic-rag | Single-Shot RAG mit der klassischen Suchmaschine als Erdungsdaten aus Azure AI Search mit einem Chat-Abschlussmodell aus Azure OpenAI. |
| Quickstart-Document-Permissions-Pull-API | Mithilfe eines Indexers im "Pull-API"-Ansatz werden Zugriffssteuerungslisten von einer Datenquelle zu den Suchergebnissen übertragen und Berechtigungsfilter angewandt, die den Zugriff auf autorisierte Inhalte einschränken. |
| Quickstart-Document-Permissions-Push-API | Durch die Verwendung der Push-APIs zur Indizierung einer JSON-Nutzlast werden eingebettete Berechtigungsmetadaten an indizierte Dokumente und Suchergebnisse übermittelt, die basierend auf dem Benutzerzugriff auf autorisierte Inhalte gefiltert werden. |
| azure-function-search | Verwenden Sie eine Azure-Funktion, um Abfragen an einen Suchdienst zu senden. Sie können stattdessen diese Python-Version für den api-Code verwenden, der unter Hinzufügen der Suche zu Websites mit .NET verwendet wird. |
| bulk-insert | Verwenden Sie die Push-APIs zum Hochladen und Indizieren von Dokumenten. |
| index-backup-and-restore.ipynb | Erstellen Sie eine lokale Kopie von abrufbaren Feldern in einem Index, und übertragen Sie diese Felder an einen neuen Index. |
| resumable-index-backup-restore | Sichern und Wiederherstellen größerer Indizes, die mehr als 100.000 Dokumente überschreiten. |
Tip
Verwenden Sie den Beispielbrowser , um nach Microsoft-Codebeispielen auf GitHub zu suchen. Sie können Ihre Suche nach Produkt, Dienst und Sprache filtern.